La prédiction du taux de clics (CTR) est une tâche cruciale dans les systèmes de publicité en ligne. La plupart des méthodes existantes modélisent principalement la relation entre les caractéristiques et le CTR, mais souffrent du problème de la rareté des données. Dans cet article, nous proposons DeepMCP, qui modélise d'autres types de relations afin d'apprendre des représentations de caractéristiques plus informatives et statistiquement fiables, et par conséquent d'améliorer les performances de la prédiction du CTR. Plus précisément, DeepMCP comprend trois parties : un sous-réseau d'appariement, un sous-réseau de corrélation et un sous-réseau de prédiction. Ces sous-réseaux modélisent respectivement les relations utilisateur-publicité, publicité-publicité et caractéristique-CTR. Lorsque ces sous-réseaux sont optimisés conjointement sous la supervision des étiquettes cibles, les représentations de caractéristiques apprises possèdent à la fois une bonne puissance prédictive et une bonne capacité de représentation. Des expériences menées sur deux jeux de données à grande échelle démontrent que DeepMCP surpasse plusieurs modèles de pointe pour la prédiction du CTR.